昨天 Anthropic 發表了他們如何建構內部「資料 Agent」的文章：Anthropic 如何透過 Claude 實現自助式資料分析
OpenAI 則在五個月前發表了他們的「內部資料 Agent」文章：深入 OpenAI 的內部資料 Agent
我兩篇都讀了——以下是重點整理。
兩者的共識
- 困難的部分不是寫 SQL，而是找到正確的資料表，並了解如何正確使用它。兩篇文章都重複強調這點。
- 模型是商品（他們沒有直接這麼說，但……），圍繞模型的上下文才是真正的產品。Anthropic 僅僅透過新增一個能存取上下文的技能（知識庫），就將準確率從 21% 提升到 95%。
- （意外也不意外）更多上下文不見得有幫助。Anthropic 在開放過去數千筆查詢記錄後，準確率提升不到 1%（我只能想像他們的 Token 消耗量增加了多少 🙂）。
兩者的差異
- OpenAI 建立了一個獨立的 Agent。Codex 和內部 ChatGPT 透過 MCP 使用這個 Agent，使用者也可以直接透過網頁或 Slack 與它對話。而 Anthropic 只建立了一個技能，這個技能透過某些知識庫（以 Markdown 檔案為基礎）來存取資料上下文。
- OpenAI 將上下文放在一個「索引」中，該索引由排程 Pipeline 每日更新；而 Anthropic 則將知識庫以 Markdown 檔案形式提交到與資料模型相同的儲存庫中，並在同一個 Pull Request 中更新。
我的看法（在為非結構化資料而非 SQL 建立「資料 Agent」之後）
Anthropic 採用技能的方式更貼近「Harness 原生」，因此更適合現有的工具集。我相信整個開發者體驗、資料上下文以及整個資料平台都會逐漸轉移到 Harness 之下（這方面最棒的學術論文是：Code as Agent Harness）。OpenAI 的做法看起來更具可擴展性且更成熟（領先五個月？），他們有專屬的資料 Agent、600 TB 的資料，以及用於更新上下文的排程 Pipeline。我們可以看看後續發展如何。
想請教各位資料領域的朋友
你們在這些 Agent 工作流程上進展到什麼程度？我的理解是，大多數團隊仍然手寫 SQL，然後逐一複製貼上「上下文」到 Claude Code / Copilot / Codex 中，並在 Slack 上分享知識。
完整的對比表以及更多細節和數據，請見我們的部落格文章——連結在留言區 👇
